[論文レビュー] Pseudo-IoU: Improving Label Assignment in Anchor-Free Object Detection

Jiachen Li, Bowen Cheng+5 more|arXiv (Cornell University)|Apr 29, 2021

Advanced Neural Network Applications参考文献 44被引用数 5

ひとこと要約

本論文は、各特徴マップの点を中心とする疑似ボックスと正例ボックスのオーバーラップ率（IoU）を計算することで、アンカーレス物体検出における正確なIoUベースのラベル割り当てを可能にする、シンプルで効果的なメトリックであるPseudo-IoUを提案する。追加のパラメータや計算コストを追加せずにこのメトリックを適用することで、PASCAL VOCおよびMSCOCOベンチマークでアンカーレス検出器の性能が2.1–3.1% mAP向上し、最先端の手法と同等の性能を達成する。

ABSTRACT

Current anchor-free object detectors are quite simple and effective yet lack accurate label assignment methods, which limits their potential in competing with classic anchor-based models that are supported by well-designed assignment methods based on the Intersection-over-Union~(IoU) metric. In this paper, we present extbf{Pseudo-Intersection-over-Union~(Pseudo-IoU)}: a simple metric that brings more standardized and accurate assignment rule into anchor-free object detection frameworks without any additional computational cost or extra parameters for training and testing, making it possible to further improve anchor-free object detection by utilizing training samples of good quality under effective assignment rules that have been previously applied in anchor-based methods. By incorporating Pseudo-IoU metric into an end-to-end single-stage anchor-free object detection framework, we observe consistent improvements in their performance on general object detection benchmarks such as PASCAL VOC and MSCOCO. Our method (single-model and single-scale) also achieves comparable performance to other recent state-of-the-art anchor-free methods without bells and whistles. Our code is based on mmdetection toolbox and will be made publicly available at https://github.com/SHI-Labs/Pseudo-IoU-for-Anchor-Free-Object-Detection.

研究の動機と目的

• 現在のアンカーレス物体検出器における標準化されておらず正確でないラベル割り当ての欠如を解消し、アンカーベースのモデルに比べて性能が制限されている状況を是正すること。
• 信頼性の高いIoUベースの割り当て機構を導入することで、アンカーレスとアンカーベースの検出器の性能格差を埋めること。
• アーキテクチャの変更なしに、アンカーベースの手法（例：Cascade RCNN、Libra RCNN）で効果を発揮した高度な割り当て戦略（例：ハードネガティブマッピング、段階的ヘッド）をアンカーレスフレームワークに移行可能にする。

提案手法

• 正例ボックス内にある各点に対して、特徴マップの射影により得られる同じサイズの疑似ボックスをその点を中心として作成する。
• Pseudo-IoUは、その疑似ボックスと正例ボックスの間のIoUとして計算され、各点に対して[0,1]の範囲の値をとる。
• Pseudo-IoUが閾値T ∈ [0,1]を超える点はポジティブサンプルと割り当てられ、それ以外はネガティブサンプルとなる。これにより、標準化されたラベル割り当てが可能になる。
• 追加のパラメータや推論コストを追加せずに、エンドツーエンドの1段階アンカーレス検出器に統合可能である。
• GIoU損失やセンターネスといった既存のコンponentsとも互換性があり、段階的な性能向上が可能である。
• フレームワークはmmdetectionツールボックスを用いて実装され、再現可能性を高めるために公開されている。

実験結果

リサーチクエスチョン

• RQ1 追加のパラメータや計算コストを追加せずに、シンプルでコストゼロのメトリックが、アンカーレス物体検出におけるラベル割り当ての正確性を向上させられるか？
• RQ2 アンカーベースの手法で効果を発揮したIoUベースの割り当てが、アンカーレス検出器に対しても効果的に一般化できるか？
• RQ3 Pseudo-IoUにより、ハードネガティブマッピングや段階的ヘッドといった高度なトレーニング戦略をアンカーレス検出に移行可能になるか？
• RQ4 mAPと誤検出の低減という観点から、Pseudo-IoUはセンターネスやスケーリングボックスメトリクスといった代替の割り当て基準を上回るか？
• RQ5 アーキテクチャの装飾なしに、Pseudo-IoUベースの割り当てが最先端のアンカーレス手法と同等の性能を達成できるか？

主な発見

• 提案されたPseudo-IoU手法により、PASCAL VOC 2007テストセットでアンカーレスベースラインから2.1% mAP向上した。
• MSCOCO minivalセットでは、ベースラインから2.9% mAP向上し、RetinaNetを1.1% mAP上回った。
• MSCOCO test-devセットでは、ResNet-101バックボーンを用いてベースラインから3.1% mAP向上した。
• 誤検出が減少し、局所化精度が向上したことが、検出結果の可視的比較で確認された。
• センターネス（78.7% mAP）やスケーリングボックス（78.3% mAP）といった代替メトリクスを上回り、PASCAL VOCで79.0% mAPを達成した。
• GIoUやセンターネスといった既存のコンponentsと完全に互換性があり、組み合わせることでさらなる性能向上が可能である。